Question

我有一个以JSON格式存储许多JavaScript对象的文件，我需要读取文件，创建每个对象，并对它们执行某些操作（在我的情况下将它们插入到db中）。 JavaScript对象可以表示为格式：

格式A：

[{name: 'thing1'},
....
{name: 'thing999999999'}]

或格式B：

{name: 'thing1'}         // <== My choice.
...
{name: 'thing999999999'}

请注意，...表示许多JSON对象。我知道我可以将整个文件读入内存，然后像这样使用JSON.parse()：

fs.readFile(filePath, 'utf-8', function (err, fileContents) {
  if (err) throw err;
  console.log(JSON.parse(fileContents));
});

但是，该文件可能非常大，我宁愿使用流来完成此任务。我在流中看到的问题是文件内容可以随时分解为数据块，那么如何在这些对象上使用JSON.parse()？

理想情况下，每个对象都会被视为一个单独的数据块，但我不确定如何做到。

var importStream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
importStream.on('data', function(chunk) {

    var pleaseBeAJSObject = JSON.parse(chunk);           
    // insert pleaseBeAJSObject in a database
});
importStream.on('end', function(item) {
   console.log("Woot, imported objects into the database!");
});*/

注意，我希望防止将整个文件读入内存。时间效率对我来说无关紧要。是的，我可以尝试一次读取多个对象并立即将它们全部插入，但这是性能调整 - 我需要一种保证不会导致内存过载的方法，无论文件中包含多少个对象。

我可以选择使用FormatA或FormatB或其他内容，请在答案中注明。谢谢！

Answer 1

要逐行处理文件，您只需要解除文件的读取和作用于该输入的代码。您可以通过缓冲输入直到您换到换行符来完成此操作。假设我们每行有一个JSON对象（基本上是格式B）：

var stream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
var buf = '';

stream.on('data', function(d) {
    buf += d.toString(); // when data is read, stash it in a string buffer
    pump(); // then process the buffer
});

function pump() {
    var pos;

    while ((pos = buf.indexOf('\n')) >= 0) { // keep going while there's a newline somewhere in the buffer
        if (pos == 0) { // if there's more than one newline in a row, the buffer will now start with a newline
            buf = buf.slice(1); // discard it
            continue; // so that the next iteration will start with data
        }
        processLine(buf.slice(0,pos)); // hand off the line
        buf = buf.slice(pos+1); // and slice the processed data off the buffer
    }
}

function processLine(line) { // here's where we do something with a line

    if (line[line.length-1] == '\r') line=line.substr(0,line.length-1); // discard CR (0x0D)

    if (line.length > 0) { // ignore empty lines
        var obj = JSON.parse(line); // parse the JSON
        console.log(obj); // do something with the data here!
    }
}

每次文件流从文件系统接收数据时，它都存储在缓冲区中，然后调用pump。

如果缓冲区中没有换行符，pump只会返回而不做任何操作。下次流获取数据时，将向缓冲区添加更多数据（可能还有换行符），然后我们将拥有一个完整的对象。

如果有换行符，pump会从缓冲区开始切换到换行符，然后将其移至process。然后它再次检查缓冲区中是否有另一个换行符（while循环）。通过这种方式，我们可以处理当前块中读取的所有行。

最后，每个输入行调用一次process。如果存在，它将去除回车符（以避免行结尾问题 - LF与CRLF），然后调用JSON.parse一行。此时，您可以对对象执行任何操作。

请注意JSON.parse对其接受的输入是严格的;您必须使用双引号引用标识符和字符串值。换句话说，{name:'thing1'}会抛出错误;你必须使用{"name":"thing1"}。

因为一次只有一块数据存在于内存中，这将极其节省内存。它也会非常快。快速测试显示我在15ms内处理了10,000行。

Answer 2

正如我认为编写流式JSON解析器会很有趣，我也认为我应该快速搜索一下是否有可用的。

原来有。

JSONStream “流式传输JSON.parse和stringify”

由于我刚刚发现它，我显然没有使用它，所以我无法评论它的质量，但我会有兴趣听听它是否有效。

确实可以考虑以下CoffeeScript：

stream.pipe(JSONStream.parse('*'))
.on 'data', (d) ->
    console.log typeof d
    console.log "isString: #{_.isString d}"

如果对象是一个对象数组，它将在对象进入时记录它们。因此，唯一缓冲的是一次一个对象。

Answer 3

截至2014年10月，您可以执行以下操作（使用JSONStream） - https://www.npmjs.org/package/JSONStream

 var fs = require('fs'),
         JSONStream = require('JSONStream'),

    var getStream() = function () {
        var jsonData = 'myData.json',
            stream = fs.createReadStream(jsonData, {encoding: 'utf8'}),
            parser = JSONStream.parse('*');
            return stream.pipe(parser);
     }

     getStream().pipe(MyTransformToDoWhateverProcessingAsNeeded).on('error', function (err){
        // handle any errors
     });

使用工作示例进行演示：

npm install JSONStream event-stream

<强> data.json：

{
  "greeting": "hello world"
}

<强> hello.js：

var fs = require('fs'),
  JSONStream = require('JSONStream'),
  es = require('event-stream');

var getStream = function () {
    var jsonData = 'data.json',
        stream = fs.createReadStream(jsonData, {encoding: 'utf8'}),
        parser = JSONStream.parse('*');
        return stream.pipe(parser);
};

 getStream()
  .pipe(es.mapSync(function (data) {
    console.log(data);
  }));


$ node hello.js
// hello world

Answer 4

我有类似的要求，我需要读取节点js中的大型json文件并以块的形式处理数据并调用api并保存在mongodb中。 inputFile.json就像：

{
 "customers":[
       { /*customer data*/},
       { /*customer data*/},
       { /*customer data*/}....
      ]
}

现在我使用JsonStream和EventStream来实现同步。

var JSONStream = require("JSONStream");
var es = require("event-stream");

fileStream = fs.createReadStream(filePath, { encoding: "utf8" });
fileStream.pipe(JSONStream.parse("customers.*")).pipe(
  es.through(function(data) {
    console.log("printing one customer object read from file ::");
    console.log(data);
    this.pause();
    processOneCustomer(data, this);
    return data;
  }),
  function end() {
    console.log("stream reading ended");
    this.emit("end");
  }
);

function processOneCustomer(data, es) {
  DataModel.save(function(err, dataModel) {
    es.resume();
  });
}

Answer 5

我使用split npm module解决了这个问题。将您的流管道分割，它将“分解流并重新组合它，以便每行都是一个块”。

示例代码：

var fs = require('fs')
  , split = require('split')
  ;

var stream = fs.createReadStream(filePath, {flags: 'r', encoding: 'utf-8'});
var lineStream = stream.pipe(split());
linestream.on('data', function(chunk) {
    var json = JSON.parse(chunk);           
    // ...
});

Answer 6

如果您可以控制输入文件，并且它是一个对象数组，则可以更轻松地解决此问题。安排在一行输出包含每条记录的文件，如下所示：

[
   {"key": value},
   {"key": value},
   ...

这仍然是有效的JSON。

然后，使用node.js readline模块一次处理一行。

var fs = require("fs");

var lineReader = require('readline').createInterface({
    input: fs.createReadStream("input.txt")
});

lineReader.on('line', function (line) {
    line = line.trim();

    if (line.charAt(line.length-1) === ',') {
        line = line.substr(0, line.length-1);
    }

    if (line.charAt(0) === '{') {
        processRecord(JSON.parse(line));
    }
});

function processRecord(record) {
    // Process the records one at a time here! 
}

Answer 7

我写了一个可以做到这一点的模块，名为BFJ。具体来说，方法bfj.match可用于将大流分解为离散的JSON块：

const bfj = require('bfj');
const fs = require('fs');

const stream = fs.createReadStream(filePath);

bfj.match(stream, (key, value, depth) => depth === 0, { ndjson: true })
  .on('data', object => {
    // do whatever you need to do with object
  })
  .on('dataError', error => {
    // a syntax error was found in the JSON
  })
  .on('error', error => {
    // some kind of operational error occurred
  })
  .on('end', error => {
    // finished processing the stream
  });

这里，bfj.match返回一个可读的对象模式流，它将接收已解析的数据项，并传递3个参数：

包含输入JSON的可读流。
一个谓词，指示解析的JSON中的哪些项目将被推送到结果流。
一个options对象，指示输入是换行符分隔的JSON（这是从问题处理格式B，格式A不需要它）。

在被调用时，bfj.match将从输入流深度优先解析JSON，使用每个值调用谓词以确定是否将该项目推送到结果流。谓词传递三个参数：

属性键或数组索引（对于顶级项目，这将是undefined。）
价值本身。
JSON结构中项目的深度（顶级项目为零）。

当然，根据需要，也可以根据需要使用更复杂的谓词。如果要对属性键执行简单匹配，也可以传递字符串或正则表达式而不是谓词函数。

Answer 8

我认为您需要使用数据库。在这种情况下，MongoDB是一个不错的选择，因为它与JSON兼容。

<强>更新：您可以使用mongoimport工具将JSON数据导入MongoDB。

mongoimport --collection collection --file collection.json

解析Nodejs中的大型JSON文件

8 个答案: